青藏高原连续日光诱导叶绿素荧光数据集（2000-2018）

简介：

青藏高原连续日光诱导叶绿素荧光数据集（2000-2018）是通过MODIS各通道反射率和SIF观测数据建立神经网络模型，从而得到较高时空分辨率的SIF数据，常作为初级生产力的参考。前言 – 人工智能教程 源数据范围为全球，本数据集选取了青藏高原区域。本数据将原本的4天时间尺度数据集成至月数据，加工方法为取月最大值，尽可能达到去除噪声的效果。该数据集常被用作评定植被绿度和初级生产力的时间和空间格局，具有实际意义和理论价值。

叶绿素荧光是叶绿体中叶绿素分子在光激发下发生的荧光现象。当叶绿体受到光照时，能量会被叶绿素吸收并转化为激发态，这些激发态叶绿素分子会通过叶绿体内的能量传递作用转移给其他叶绿素分子，最终由反应中心的叶绿素分子转化为化学能。然而，在这个过程中，有些叶绿素分子在转移能量的过程中会失去一部分能量并转化为荧光，这种现象就称为叶绿素荧光。荧光信号可以被用来评估植物光合作用的效率和健康状况。

神经网络是由多个神经元相互连接而成的模型，可以模拟人类大脑处理信息的过程，常用于机器学习和人工智能领域。

神经网络模型通常由输入层、隐藏层和输出层组成。输入层接收输入数据，隐藏层通过多个神经元之间的连接和加权求和处理输入数据，输出层输出最终的预测结果。

常见的神经网络模型包括：

1. 单层感知器模型：具有单个神经元和多个输入，适用于二分类问题。

2. 多层感知器模型（MLP）：适用于复杂的分类和回归问题，包括多个隐藏层和输出层。

3. 卷积神经网络（CNN）：适用于处理图像和视频数据，包括卷积层、池化层、全连接层等。

4. 循环神经网络（RNN）：适用于处理序列数据，包括LSTM（长短期记忆网络）和GRU（门控循环单元）等。

不同类型的神经网络模型适用于不同的问题和数据类型。选择合适的模型对于处理数据和获得准确预测结果非常重要。

数据集ID:

TPDC/CSIF

时间范围: 2000年-2018年

范围: 青藏高原

来源: 国家青藏高原科学数据中心

复制代码段:

var images = pie.ImageCollection("TPDC/CSIF")

代码：

 /*
 * @File    :   青藏高原连续日光诱导叶绿素荧光数据集（2000-2018）
 * @Time    :   2022/05/25
 * @Author  :   piesat
 * @Version :   1.0
 * @Contact :   400-890-0662
 * @License :   (C)Copyright 航天宏图信息技术股份有限公司
 * @Desc    :   加载青藏高原连续日光诱导叶绿素荧光数据集（2000-2018）
 */

// 加载青藏高原连续日光诱导叶绿素荧光数据集（2000-2018）
var images = pie.ImageCollection("TPDC/CSIF")
                .filterDate("2018-05-01","2018-05-31")
                .first()
                .select("B1")
print("images",images)

//设置预览参数
var visParam = {min: -0.05, max: 0.1,
                palette: ['FFFFFF', 'CE7E45', 'DF923D', 'F1B555', 'FCD163', '99B718', '74A901',
                        '66A000', '529400', '3E8601', '207401', '056201', '004C00', '023B01',
                        '012E01', '011D01', '011301']};
//地图显示中心
Map.centerObject(images, 3);
//加载显示影像
Map.addLayer(images, visParam, "images");

数据引用：

张尧.(2020).青藏高原连续日光诱导叶绿素荧光数据集（2000-2018）.国家青藏高原科学数据中心, DOI: 10.11888/Ecolo.tpdc.271037. CSTR: 18406.11.Ecolo.tpdc.271037.

文章引用：

1. Zhang, Y., Joiner, J., Alemohammad, S.H., Zhou, S., and Gentine, P. ( 2018). A global spatially contiguous solar-induced fluorescence (CSIF) dataset using neural networks. Biogeosciences, 15, 5779-5800, https://doi.org/10.5194/bg-15-5779-2018.

结果